origin = wrapbuffer_fd(fd, width, height, RK_FORMAT_YCbCr_420_SP, width_stride, height_stride);
src = wrapbuffer_fd(mpp_frame_fd, width, height, RK_FORMAT_YCbCr_420_SP, width_stride, height_stride);
cv::Mat origin_mat = cv::Mat::zeros(height, width, CV_8UC3);
rga_buffer_t rgb_img = wrapbuffer_virtualaddr((void *)origin_mat.data, width, height, RK_FORMAT_RGB_888);
imcopy(origin, rgb_img);
// 提交推理任务给线程池
yolo_thread_pool->submitTask(origin_mat, job_cnt++);4. 获取处理结果并绘制预警
std::vector objects;
// 获取推理结果
auto ret_code = yolov5_thread_pool->getTargetResultNonBlock(objects, result_cnt);
// 遍历检测结果并且进行判断
for (const auto &object : objects)
{
auto iter = ctx->labels_map.find(object.className);
// 设置参数判断是否全图警戒，1为全图
bool temp_ret = true;
if (ctx->enable_region == 1 && ctx->g_ploygon.size() > 0)
{
Point p = {
object.box.x + object.box.width / 2,
object.box.y + object.box.height / 2};
// 判断是否在预警区域中
temp_ret = isInside(ctx->g_ploygon, p);
}
double value = iter->second;
// 判断识别对象是否在识别要素中，同时判断要素是否在警戒区域中,执行度大于设定值
if (iter != ctx->labels_map.end() && temp_ret && object.confidence >= value)
{
cv::rectangle(img, object.box, cv::Scalar(255, 0, 0), 2);
// class name with confidence
std::string draw_string = object.className + " " + std::to_string(object.confidence);
cv::putText(img, draw_string, cv::Point(object.box.x, object.box.y - 5), cv::FONT_HERSHEY_SIMPLEX, 1,
cv::Scalar(255, 0, 0), 2);
// 在迭代中发现了存在异常的标记，进行临时变量标记，此变量可能会在过程中重复赋值。
if_warning_hold = true;
}
else
{
cv::rectangle(img, object.box, object.color, 2);
// class name with confidence
std::string draw_string = object.className + " " + std::to_string(object.confidence);
cv::putText(img, draw_string, cv::Point(object.box.x, object.box.y - 5), cv::FONT_HERSHEY_SIMPLEX, 1,
cv::Scalar(255, 0, 255), 2);
}
}5. 检测结果推流
// mk的参数初始化
char *ini_path = mk_util_get_exe_dir(ctx->mk_file_path.c_str());
mk_config config = {
.thread_num = 10,
.log_level = 0,
.log_mask = LOG_CONSOLE,
.log_file_path = NULL,
.log_file_days = 0,
.ini_is_path = 1,
.ini = ini_path,
.ssl_is_path = 1,
.ssl = NULL,
.ssl_pwd = NULL
};// memset(&config, 0, sizeof(mk_config));
// config.log_mask = LOG_CONSOLE;
// 初始化环境，调用该库前需要先调用此函数
mk_env_init(&config);
mk_free(ini_path);
// 在端口80上启动HTTP服务器
if (ctx->enable_http == 1)
mk_http_server_start(ctx->push_http_port, 0);
// 在端口554上启动RTSP服务器
if (ctx->enable_rtsp == 1)
mk_rtsp_server_start(ctx->push_rtsp_port, 0);
// 在端口1935上启动RTMP服务器
if (ctx->enable_rtmp == 1)
mk_rtmp_server_start(ctx->push_rtmp_port, 0);
if (ctx->enable_rtc == 1)
mk_rtc_server_start(ctx->push_rtc_port);
// 创建一个新的Codeium播放器
ctx->player = mk_player_create();
ctx->stream_url = url;
// 设置处理播放事件的回调函数
mk_player_set_on_result(ctx->player, on_mk_play_event_func, ctx);
// 设置播放被异常中断的回调
mk_player_set_on_shutdown(ctx->player, on_mk_shutdown_func, ctx);
// 播放来自提供的RTSP URL的视频流
mk_player_play(ctx->player, ctx->stream_url);
// 推流
ret = mk_media_input_h264(ctx->media, enc_data, enc_data_size, millis, millis);根据以上代码无法完整完成编码工作，由于本专栏主要方向是关于边缘计算设备和WEB端应用的融合，实现AI行为识别的智能监控系统。所以不会对终端设备的实际使用技术及代码原理进行特别详细的描述。如果读者有需要可以留言，我可以出一个关于RK3588的独立专栏。
其实本质上边缘计算设备无论是选择RK3588，还是带有GPU的主机都可以，本项目是为了减少项目的搭建预算所以找的更便宜的解决方案，同时也能符合国产化、信创需要。
配置文件清单
以下是YunYan_V1.0提供的参数清单：
[YUNYAN]
进程的唯一编号，这是一个uid
CEProcessId = b6cf4e7e-b952-4bf5-be29-0225f71d7f57
模型路径,必须是完整路径yolo5s_cx_200
ModelPath = /home/YunYan-V1/weights/yolov5s.rknn
IOU
NMSThreshold = 0.65
置信度
BoxThreshold = 0.4
模型的labels文件路径
ModelLabelsFilePath = /home/YunYan-V1/coco_80_labels_list.txt
推理类型数量 yolov5 80
ObjClassNum = 80
流地址
StreamUrl = rtsp://192.168.124.31:8554/live3.sdp
视频流类型264/265，default 264，265格式目前不支持
VideoType = 264
原始视频帧率
SourceFrameRate = 25
启动监测的线程数，default 12
NumThreads = 20
是否开启hls播放功能,default 0,需要和EnableHttp同时开启
EnableHls = 0
是否开启hls播放功能,default 0
EnableHttp = 0
http推流端口,default 80
PushHttpPort = 80
是否开启rtsp推流
EnableRtsp = 1
rstp推流端口，default 554
PushRtspPort = 554
是否开启rtsp推流
EnableRtmp = 0
rtmp推流端口,default 1935
PushRtmpPort = 1935
是否开启rtc
EnableRtc = 0
rtc推流端口，default 8000
PushRtcPort = 8001
推流地址设定1
PushPathFirst = yunyan-live
推流地址设定2
PushPathSecond = test
工作时间设置{8,30,13,30}${14,0,17,30}
WorkTimeRanges = {11,00,17,10}
识别的labels，用英文$分割
{clock,0.8}${chair,0.8}
LabelsAndConfidence = {person,0.5}
#一场追踪到多少秒才触发预警视频的录制
WarningHoldUpTime = 3
预警间隔时间秒，如果设置数值过小会导致视频文件未完成存储就连续存储问题
WarningIntervalTime = 60
预警视频长度秒
WarningShowTime = 5
预警视频帧率，这个帧率设置的是视频输出，但是实际帧率会和原始帧率有关。
如果原始帧率25，预警帧率是5，将会每5帧记录一次可以帧除。
如果原始帧率25，预警帧率10，将会每2帧记录一次，视频感觉感觉会变慢。
WarningShowFrameRate = 10
预警视频保存路径
WarningFilePath = /home/yunyan_warning/
预警视频的信息字段
WarningFileInfo = bad
是否启动区域检测，default 0
EnableRegion = 1
区域检测点位文件地址
RegionFilePath = /home/YunYan-V1/region.txt
MK配置文件地址
MkFilePath = mk_config.ini
程序包部署
由于边缘计算设备都是采用相同的系统版本，所以整体上有2种部署模式。
模式1:TF卡烧录部署
如果玩过小机器的基本对这种都不陌生，但是在这个项目中并不推荐。TF烧录是对系统内容原模原样的复制，可能会导致设备的IP冲突。路由器在给设备分配IP的时候是通过系统的特征mac进行分配的，但是烧录的系统mac地址都是相同的。如果局域网内只有一台设备不会有问题，如果存在多台设备需要通过一些补丁方式来修复，反正我不是很喜欢。
如果用这种方式可以参考：
模式2:程序包部署
打包
YunYan_V1.0的打包编译管理使用的是cmake，通过cmake打包成yunyan-1.0.0-Linux.deb。边缘计算设备只需要安装上默认的ubuntu系统后使用dpkg -i yunyan-1.0.0-Linux.deb 就可以安装。
如果是第一次安装需要根据readme中的要求对两个py脚本进行定时器配置，之后就可以全自动运行了。
##需要python安装requests
sudo apt-get python3-pip
pip install requests#设定激活函数定时任务
#默认yunyan-cv.py每5分钟执行一次并记录执行日志
crontab -e
*/5 * * * * /usr/bin/python3 /usr/local/yunyancv/yunyan-cv.py >> /usr/local/yunyancv/yunyan-cv-py.log 2>&1#设定预警函数定时任务
#默认yunyan-warning.py每5分钟执行一次并记录执行日志
crontab -e
*/5 * * * * /usr/bin/python3 /usr/local/yunyancv/yunyan-warning.py >> /usr/local/yunyancv/yunyan-warning-py.log 2>&1yunyan-cv.py主要负责和云端系统进行通讯，告知平台设备的存活状态，并且会从云端系统获取最新的配置信息，如果需要配置会主动驱动进程进行在线更新。同时这也是一个进程保护程序，如果发现进程死亡会自动重启进程。yunyan-warning.py主要是负责将预警视频和预警信息推送给云端，并保证本地存储的健康，定期删除无用文件。
